« Perte » : différence entre les versions

Dernière version du 15 février 2024 à 14:21

Définition

Mesure de l'écart entre les prédictions d'un modèle et son étiquette ou performance du modèle. Pour déterminer cette valeur, un modèle doit définir une fonction de perte.

Par exemple, les modèles de régression linéaire utilisent généralement l'erreur quadratique moyenne comme fonction de perte, tandis que les modèles de régression logistiques utilisent la perte logistique.

Français

perte

performance du modèle

Anglais

loss

Sources

Source : Google, Machine learning glossary.

@@ Ligne 1 : / Ligne 1 : @@
+==Définition==
+Mesure de l'[[écart]] entre les [[prédiction]]s d'un modèle et son étiquette ou [[performance]] du modèle. Pour déterminer cette valeur, un modèle doit définir une fonction de perte.
-[[Category:GRAND LEXIQUE FRANÇAIS]]
+Par exemple, les modèles de [[régression linéaire|régression linéaire]] utilisent généralement l'[[erreur quadratique moyenne]] comme fonction de perte, tandis que les [[modèle de régression|modèles de régression]] logistiques utilisent la [[perte logistique]].
-<!-- Vocabulaire -->
-<!-- Google -->
-[[Category:Apprentissage profond]]
-<!-- Scotty2 -->
-==Définition==
-Mesure de l'écart entre les prédictions d'un modèle et son étiquette ou performance du modèle.  Pour déterminer cette valeur, un modèle doit définir une fonction de perte. Par exemple, les modèles de régression linéaire utilisent généralement l'erreur quadratique moyenne comme fonction de perte, tandis que les modèles de régression logistiques utilisent la perte logistique.
 ==Français==
-'''perte nom fém.'''
+'''perte'''
-'''performance du modèle'''  nom fém.
+'''performance du modèle'''
 ==Anglais==
 '''loss '''
-<small>
+==Sources==
+[https://developers.google.com/machine-learning/glossary/ Source : Google, ''Machine learning glossary''.]
+[[Category:GRAND LEXIQUE FRANÇAIS]]
-[https://developers.google.com/machine-learning/glossary/ Source: Google machine learning glossary]